イラン・グラック、デジタル・マターの北米マーケティング担当VP – インタビュー・シリーズ

イラン・グラック、デジタル・マターの北米マーケティング担当VPは、IoT、人工知能、サプライ・チェーン・テクノロジー、データ・アナリティクス、エンタープライズ・ストラテジーを背景に持つ、経験豊かなテクノロジーおよび商業リーダーです。デジタル・マターに入社する前、彼はコックス・2Mおよびギア・トラックで5年以上働き、ゼネラル・マネージャーおよびチーフ・レベニュー・オフィサーとして、リアルタイム・アセット・トラッキングおよびサプライ・チェーン・ビジビリティ・ソリューションの進歩に貢献しました。以前、グラックはウェイストレス・AIのゼネラル・マネージャーで、食料小売業者が廃棄物を削減するために設計されたAI駆動のダイナミック・プライシング・テクノロジーに取り組み、ワイス・ビアガーのようなIoTおよびデータ・アナリティクス企業（AB InBevに買収された）で上級製品および商業役割を担っていました。彼はデロイト・コンサルティングでの戦略および運用のキャリアを始め、製品、商業化、戦略の経験をエマージング・テクノロジー全体で得ました。

デジタル・マターは、ロングライフ・アセット・トラッキング、センサー・モニタリング、テレマティクス・ソリューションを専門とするグローバルIoTハードウェア企業です。同社は、ロジスティクス、車両および設備トラッキング、サプライ・チェーン・モニタリング、農業、環境アプリケーションなどの分野で展開される、頑丈で低消費電力の接続デバイスを開発しています。同社のハードウェアは、GNSS、Wi-Fi位置情報、Bluetooth Low Energy (BLE)、セルラーIoT、LoRaWAN、衛星接続などの位置情報および接続テクノロジーをサポートしています。デジタル・マターはまた、デバイス・マネージャー・プラットフォームを提供し、顧客およびパートナーが接続デバイスをリモートで構成、監視、プロビジョニング、管理できるようにします。

ギア・トラック、ウェイストレス・AI、ワイス・ビアガーで、リアルタイムの運用データを使用してサプライ・チェーンを改善し、廃棄物を削減し、より良い商業上の決定を下すことができました。そうした経験は、IoTがエンタープライズ・AIの基盤となるというあなたの見方をどのように形作ってきましたか。

ギア・トラック、ウェイストレス・AI、ワイス・ビアガーで、最も優れたテクノロジーは、背後にあるデータだけに依存していることを私は実際に見てきました。

各企業は異なる問題を解決しようとしていましたが、共通するのは、物理的な世界からのリアルタイム情報を使用して、より良い決定を下すことでした。つまり、在庫の場所を理解すること、廃棄物が発生する前にそれを特定すること、またはビジネスが地上での変化に迅速に対応できるようにすることなどです。

その経験は、IoTとAIについての私の考え方を形作ってきました。多くの価値のある運用情報はまだ従来のビジネス・システムに 捕捉されていません。それは車両、設備、在庫、施設、サプライ・チェーンの中に存在しています。IoTは、物理的な活動を利用可能なデータに変換するものです。

私にとって、それはIoTがエンタープライズ・AIの基盤となることを意味します。IoTはAIに、実際のビジネス運用についてより明確で現在的な画像を提供します。過去の歴史的なレポートだけを見てきたのではなく、会社はパターンを特定し、問題を予測し、リアルタイムでより良い決定を下すことができます。

多くの企業は、同じパブリック・データセットを使用してAIモデルをトレーニングしています。なぜ、独自の運用データがAIの差別化要因となるより重要なソースになっているのでしょうか。

同じデータを入力すると、同じ洞察が出力されます。AIモデルへのアクセスがより広く利用できるようになると、モデル自体はよりコモディティ化し、実際の差別化要因は、モデルに供給されるデータの品質、独自性、関連性にあることになります。

2つの競合する小売業者が同じAIプラットフォーム、市場予測、歴史的な需要データを使用している場合、どちらか一方が倉庫、トレーラー、パレット、設備にIoTセンサーを展開している場合、継続的に地上の真実のデータをAIに供給しています。リアルタイムの在庫移動、滞在時間、資産利用率、ボトルネック、運用上の混乱に関する情報です。彼らのAIは、先月の出来事だけから学習していないのです。ビジネス全体で現在起こっていることから継続的に学習しています。

その違いは時間の経過とともに実際のアドバンテージに変わります。彼らのAIは、歴史的な傾向や第三者のベンチマークだけに依存していません。会社自身の運用からリアルタイムに学習しています。競合他社が購入したり、スクラップしたり、複製したりできない、独自のインテリジェンスの源となります。

車両、施設、設備、サプライ・チェーンにセンサーを展開すると、会社はどのような運用インテリジェンスを取得できるでしょうか。それは、通常、見逃しているものですか。

多くの組織は、物理的な運用について継続的な可視性を持っていないまま、重要な決定を下しています。彼らは在庫の量や出荷の予定日時を知っているかもしれませんが、資産、設備、ワークフローが実際にどのように動いているかについては、よくわかっていないことがあります。

車両、施設、設備、サプライ・チェーンにセンサーを展開することで、組織はボトルネックを特定し、資産の利用率を追跡し、在庫の移動を監視し、実際の状況がパフォーマンスに与える影響を理解できます。

たとえば、小売業者は在庫が配送センターに到着し、最終的に店舗に配達されたことを知っているかもしれませんが、特定のパレットが配送センターで一貫して数日間滞在していることに気付いていないかもしれません。センサー・データがなければ、その遅延はほとんど見えません。IoTでは、それが測定可能で、対処可能になります。チームは根本原因を特定し、在庫の流れを改善し、在庫の可用性に関する問題を軽減できます。

IoT生成データと伝統的なエンタープライズ・データを比較した場合、AIシステムのトレーニング、ファイン・チューニング、グラウンドにどのような違いがありますか。

伝統的なエンタープライズ・データは、通常、トランザクション的で歴史的なものであり、すでに発生したイベント（注文、請求書、在庫レコード、または完了したビジネス・プロセスなど）を捉えています。そうした情報は貴重ですが、主に過去のスナップショットを反映しています。市場が以前より速く動いている現在、前シーズンの出来事は今シーズンについてあまり教えてくれません。

IoT生成データは異なります。リアルタイムに何が起こっているかを捉えています。資産の位置、移動、利用率、環境条件、その他の運用シグナルに関する継続的な洞察を提供します。これらのシグナルは、通常、伝統的なエンタープライズ・システムでは利用できないものです。

AIアプリケーションの場合、その違いは重要です。歴史的なデータは何が起こったかを説明しますが、IoTデータは何が今起こっているかを説明します。組織が両者を組み合わせると、AIシステムを現在の運用現実に基づいて構築できます。より正確な洞察が可能になり、より迅速で情報に基づいた決定が可能になります。

デジタル・マターは、長期のアセット・トラッキングとセンサー・モニタリングのために設計された、低消費電力で耐久性のあるデバイスを強調しています。IoTデバイスが複雑な環境で信頼性を持って数年間にわたってデータを生成し続けるという最大の技術的な課題は何ですか。

IoTデバイスは、予測や制御が難しい環境に展開されることがよくあります。単一のデバイスは、施設、車両、顧客サイト、リモート・ロケーション、接続性が一貫性のない地域を経て、数年間移動する可能性があります。

最も大きな課題の1つは、可視性と電力消費のバランスを取ることです。デバイスがデータを収集して送信する頻度が高くなるにつれて、エネルギー消費も増えます。有意義なイベントを収集し、動的な運用条件に適応し、数年間でバッテリー寿命を最大化するデバイスを設計することは、信頼性の高いデータを提供する上で重要です。

耐久性も同様に重要です。デバイスは、振動、衝撃、温度変化、湿気、数年間の日常使用に耐えながらも、維持不要で一貫したパフォーマンスを維持できなければなりません。わずかな故障率でも、展開が数千または数万のデバイスに拡大すると、重大な運用上の課題になる可能性があります。

AIは、企業がアセットの位置を追跡するだけでなく、障害を予測し、ルートを最適化し、廃棄物を削減し、利用率を改善するようにどのように支援できますか。

アセットの位置を知ることは重要ですが、位置だけでは物語の半分しかわかりません。実際の機会は、アセットがどのように使用されているかを理解し、手動では難しいパターンを特定することから来ます。組織がIoTデータとAIを組み合わせると、イベントに反応するだけでなく、それを予測し始めます。

移動、利用率、滞在時間、環境条件、その他の運用データの傾向を分析することで、AIは非効率性を特定し、潜在的な問題を予測し、改善の機会を浮き彫りにすることができます。那は、より良いアセットの利用率、より効率的な運用、廃棄物の削減、迅速な意思決定につながります。アセットの現在の位置だけが重要ではなく、アセットが生成するデータを使用して、次に何が起こるかについてより賢い決定を下すことができます。

ロジスティクス、コールド・チェーン、ヘルスケア、建設、または設備管理などの業界では、IoTデータとAIを組み合わせることで、近い将来にどのような機会がありますか。

最も強い機会は、複雑な運用を跨いで分散アセットを大量に管理している業界にあります。したがって、ロジスティクス、コールド・チェーン、ヘルスケア、建設、設備管理はすべて、プロファイルに適しています。

これは理論的なものではありません。大企業、主要な小売業者から自動車メーカー、重機製造業者まで、すでにこの戦略を実行しています。彼らの取締役会は、AIを使用しているかどうかではなく、測定可能なビジネス価値がどこから来ているかを尋ねています。答えは運用上のものです。スループットの改善、品質のインシデントの削減、より良い納期、より良い顧客体験です。

近い将来、最も大きな価値は、会社がすでに毎日生成している活動を使用して、より良い運用上の決定を下すことから来ます。

企業がより多くのセンサーと接続デバイスを展開するにつれて、IoTデータを戦略的なAIアセットとして扱う場合、データの品質、信号の信頼性、セキュリティ、ガバナンスについてどう考えるべきですか。

AIモデルは、背後にあるデータだけに依存しています。組織はデータの収集に重点を置きますが、データが不完全、不一致、または信頼できない場合、AIの洞察もそうになります。クラシックな「ゴミ入力、ゴミ出力」の問題です。企業レベルでは、高価なミスになります。

データの品質は最初から優先事項でなければなりません。データが一貫して収集され、安全に送信され、物理的な世界を正確に反映していることについて、組織は自信を持たなければなりません。データの出所、管理方法、解釈方法についても、明確なガバナンスが必要です。

最終的には、価値はデータを生成することではなく、信頼性の高い、高品質のデータを生成することです。信頼できる基盤となるデータは、意思決定のためのものです。

すでにIoT展開を持つ企業にとって、AIアプリケーションで使用するためにそのデータをより利用可能にするためのステップは何ですか。

最初のステップは、ビジネス上の問題から始めることです。目的が明確になると、どのデータ、ワークフロー、AI機能が必要かが簡単にわかります。多くの組織はすでに大量の運用データを収集していますが、それは断片化されたシステムに留まっていて、意思決定には影響しません。

2番目のステップは、多くの企業が軽視しているものです。つまり、変更管理です。拡大した展開は、技術のせいで失敗することはありません。データが何を伝えているかに対して、誰も行動を起こさない場合に失敗します。ストックが不足しているステージング・エリアのアラートは、誰かが実際に在庫を移動しない限り、価値を生み出しません。データから洞察に、洞察から行動へのプロセスを構築することは、最も難しいですが、最も重要な作業です。

最終的には、最も成功している会社は、運用データを測定可能なビジネス成果と結び付け、人々がそれを使用するようにしている会社です。

今後、独自の運用インテリジェンスが、AIのリーダーと、単に他の会社と同じツールを使用している会社を区別する最大の障壁になることを信じますか。 

はい。AIがより広く利用できるようになると、技術だけが差別化要因ではなくなります。

優れた組織は、独自の環境から独自の運用インテリジェンスを生成し、それを使用してより良い決定を下す組織です。多くの業界では、最も価値のある情報はまだ物理的な世界にあり、資産、設備、在庫、サプライ・チェーンの中にあります。競合他社が購入したり、スクラップしたり、複製したりできないものです。

その情報を継続的に捉え、理解し、活用できる会社は、他の会社よりもはるかに強い立場にあります。

素晴らしいインタビュー、ありがとうございます。詳細については、デジタル・マターを訪れてください。